opencv3.4.6 特征点匹配：ORB

ORB：Oriented FAST and Rotated BRIE

ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化：

1. 使用非最大值抑制，在一定区域内仅仅保留响应极大值的角点，避免FAST提取到的角点过于集中。FAST提取到的角点数量过多且不是很稳定，ORB中可以指定需要提取到的角点的数量N，然后对FAST提取到的角点分别计算Harris响应值，选择前N个具有最大响应值的角点作为最终提取到的特征点集合。
2. FAST提取到的角点不具有尺度信息，在ORB中使用图像金字塔，并且在每一层金字塔上检测角点，以此来保持尺度的不变性。
3. FAST提取到的角点不具有方向信息，在ORB中使用灰度质心法(Intensity Centroid)来保持特征的旋转不变性。

其中：

（1）FAST Features From Accelerated Segment Test

以速度快而著称，检测局部像素灰度变化明显的地方，

FAST算法提取角点的步骤：

在图像中选择像素p，假设其灰度值为：Ip
设置一个阈值T，例如：Ip的20%
选择p周围半径为3的圆上的16个像素，作为比较像素
假设选取的圆上有连续的N个像素大于Ip+T或者Ip−T，那么可以认为像素p就是一个特征点。（N通常取12，即为FAST-12；常用的还有FAST-9,FAST-11）。

不可避免的也有一些缺点：检测到的特征点过多并且会出现“扎堆”的现象，这可以在第一遍检测完成后，使用非最大值抑制（Non-maximal suppression），在一定区域内仅保留响应极大值的角点，避免角点集中的情况。FAST提取到的角点没有方向和尺度信息。

上面的介绍的SIFT和SURF算法都包含有各自的特征点描述子的计算方法，而FAST不包含特征点描述子的计算，仅仅只有特征点的提取方法，这就需要一个特征点描述方法来描述FAST提取到的特征点，以方便特征点的匹配。下面介绍一个专门的特征点描述子的计算算法。

（2）BRIEF描述子

BRIEF是一种二进制的描述子，其描述向量是0和1表示的二进制串。0和1表示特征点邻域内两个像素（p和q）灰度值的大小：如果p比q大则选择1，反正就取0。在特征点的周围选择128对这样的p和q的像素对，就得到了128维由0，1组成的向量。那么p和q的像素对是怎么选择的呢？通常都是按照某种概率来随机的挑选像素对的位置。
BRIEF使用随机选点的比较，速度很快，而且使用二进制串表示最终生成的描述子向量，在存储以及用于匹配的比较时都是非常方便的，其和FAST的搭配起来可以组成非常快速的特征点提取和描述算法。
（3）ORB说明

问题1：FAST特征点的数量很多，并且不是确定，而大多数情况下，我们希望能够固定特征点的数量。 

解决方法：在ORB当中，我们可以指定要提取的特征点数量。对原始的FAST角点分别计算Harris的响应值，然后选取前N个点具有最大相应值的角点，作为最终角点的集合。 

问题2：FAST角点不具有方向信息和尺度问题。

解决方法：尺度不变性构建的图像的金字塔，并且从每一层上面来检测角点。旋转性是由灰度质心法实现。 

灰度质心法：质心是指以图像块灰度值作为权重的中心。（目标是为找找到方向）

1、在一个小的图像块B中，定义图像块的矩为： 

 2、通过矩找到图像块的质心 

3、连接图像块的几何中心o与质心C，得到一个oc的向量，把这个向量的方向定义特征点的方向 

代码示例：

 

#include 
#include 
using namespace std;
using namespace cv;

int main()
{
	//0读取图像
	Mat img1 = imread("..\\image\\left.jpg",0);
	Mat img2 = imread("..\\image\\right.jpg",0);

	// 1 初始化特征点和描述子,ORB
	std::vector keypoints1, keypoints2;
	Mat descriptors1, descriptors2;
	Ptr orb = ORB::create();

	// 2 提取 Oriented FAST 特征点
	orb->detect(img1, keypoints1);
	orb->detect(img2, keypoints2);

	// 3 根据角点位置计算 BRIEF 描述子
	orb->compute(img1, keypoints1, descriptors1);
	orb->compute(img2, keypoints2, descriptors2);

	// 4 对两幅图像中的BRIEF描述子进行匹配，使用 Hamming 距离
	vector matches;
	BFMatcher bfmatcher(NORM_HAMMING);
	bfmatcher.match(descriptors1, descriptors2, matches);

	// 5 匹配对筛选
	double min_dist = 1000, max_dist = 0;
	// 找出所有匹配之间的最大值和最小值
	for (int i = 0; i < descriptors1.rows; i++)
	{
		double dist = matches[i].distance;//汉明距离在matches中
		if (dist < min_dist) min_dist = dist;
		if (dist > max_dist) max_dist = dist;
	}
	// 当描述子之间的匹配大于2倍的最小距离时，即认为该匹配是一个错误的匹配。
	// 但有时描述子之间的最小距离非常小，可以设置一个经验值作为下限
	vector good_matches;
	for (int i = 0; i < descriptors1.rows; i++)
	{
		if (matches[i].distance <= max(2 * min_dist, 30.0))
			good_matches.push_back(matches[i]);
	}

	// 6 绘制匹配结果
	Mat img_match;
	drawMatches(img1, keypoints1, img2, keypoints2, good_matches, img_match);

	return 0;
}